A unified threshold-constrained optimization framework for consistent and interpretable cross-machine condition monitoring
Notice bibliographique
Résumé
Accurate detection of incipient faults during lifecycle degradation is crucial for continuous condition monitoring of industrial equipment. Condition indices (CIs) with pre-set thresholds are widely used in engineering practice due to their intuitiveness, simplicity, and convenience. However, uncertainties and variations in degradation patterns and fault initiation times across different industrial systems or even within the same system lead to inconsistent CI scales and thresholds, creating challenges for reliable and practical monitoring. To address this challenge, we propose a unified threshold-constrained optimization framework for consistent and interpretable cross-machine condition monitoring based on frequency-domain data fusion. Rather than directly using CIs, we introduce degradation rates of CIs, computed via first-order differences, which enable a consistent definition of normal operating levels across heterogeneous degradation patterns and multiple machines. Afterwards, a degradation rate and threshold constrained convex optimization model is formulated to automatically optimize weights in the frequency domain, ensuring sensitivity to incipient faults while preserving consistent thresholds across machines. Extensive experiments on multiple endurance datasets of rotating equipment demonstrate the consistency and superiority of the proposed approach over some famous and advanced CIs. Results show that a unified threshold can be established for the proposed CIs across diverse degradation patterns and multiple machines. Furthermore, the optimized frequency-domain weights highlight diagnostic frequency bands closely associated with system faults, thereby enhancing incipient fault sensitivity and offering interpretability compared with existing data-driven approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».